3.3 مجموع چارچوب خطا بررسی
مجموع خطاهای بررسی خطا = نمایندگی + خطاهای اندازه گیری.
برآورد هایی که از نظرسنجی های نمونه صورت می گیرد اغلب ناقص هستند. به این معنی است که معمولا بین برآورد حاصل از یک نظرسنجی نمونه (به عنوان مثال، میانگین میانگین برآورد دانش آموزان در یک مدرسه) و ارزش واقعی جمعیت (مثلا میانگین متوسط واقعی دانش آموزان در مدرسه) تفاوت دارد. گاهی اوقات این اشتباهات بسیار کوچک است که بی اهمیت اند، اما گاهی اوقات متاسفانه می تواند بزرگ و عاملی باشد. در تلاش برای درک، اندازه گیری و کاهش اشتباهات، محققان به تدریج یک چارچوب مفهومی جامع را برای اشتباهاتی که می توانند در بررسی های نمونه ای ایجاد شوند عبارتند از کل چارچوب خطای بررسی (Groves and Lyberg 2010) . اگرچه توسعه این چارچوب در دهه 1940 آغاز شد، من فکر می کنم که دو ایده مفید برای تحقیقات تحقیقاتی در عصر دیجیتال ارائه می دهیم.
اول، کل چارچوب خطای بررسی مشخص می کند که دو نوع خطا وجود دارد: تعصب و واریانس . تقریبا، تعصب خطای سیستماتیک است و واریانس خطای تصادفی است. به عبارت دیگر، تصور کنید که 1000 تکرار از یک نمونه ی نمونه ی مشابه داشته باشید و سپس به توزیع تخمین ها از این 1000 تکرار نگاه کنید. تعصب، تفاوت بین میانگین این برآوردهای تکراری و ارزش واقعی است. واریانس تغییرات این برآوردها است. همه چیز برابر است، ما یک روش را بدون هیچ گونه تعصب و واریانس کوچک می خواهیم. متأسفانه، برای بسیاری از مشکلات واقعی، چنین بی رویه، روش های واریانس کوچک وجود ندارد، که محققان را در موقعیت دشواری قرار می دهد تا تصمیم بگیرند چگونه مشکلات را با اختلاف و اختلاف ایجاد کنند. بعضی از محققان به طور غریزی روشهای بی طرفانه را ترجیح می دهند، اما تمرکز تک محور بر تعصب می تواند اشتباه باشد. اگر هدف این است که برآوردی را که به عنوان حقیقت نزدیک به حقیقت (به عنوان مثال با کوچکترین خطای احتمالی) تولید می شود تهیه کنید، ممکن است بهتر باشد که یک فرآیند دارای یک تعصب کوچک و یک واریانس کوچک نسبت به آن باشد بی طرف اما دارای واریانس بزرگ (شکل 3.1). به عبارت دیگر، کلیه خطای خطای بررسی نشان می دهد که هنگام ارزیابی روش تحقیق تحقیق، شما باید هر دو تعصب و واریانس را در نظر بگیرید.
شکل 3.1: اختلال و واریانس. در حالت ایده آل، محققان یک روش برآورد بدون واسطه و کم واریانس دارند. در حقیقت، آنها اغلب تصمیمات را اتخاذ می کنند که ایجاد تعادل بین تعصب و واریانس را ایجاد می کنند. اگر چه بعضی از محققان به طور غریزی روشهای بی طرفانه را ترجیح می دهند، گاهی اوقات یک روش بی حد و حصر کوچک، روش واریانس کوچک می تواند برآورد دقیق تر از یک روش بی طرف که دارای واریانس زیاد باشد، تولید کند.
بینش اصلی دوم از کل چارچوب خطای بررسی، که بیشتر بخش های این فصل را سازماندهی می کند، این است که دو منبع اشتباه وجود دارد: مشکلی که با آن صحبت می کنید ( نمایندگی ) و مشکلات مربوط به آنچه که از آن مکالمات یاد می گیرید ( اندازه گیری ) به عنوان مثال، شما ممکن است علاقمند به برآورد نگرش درباره حفظ حریم خصوصی آنلاین در بزرگسالان زندگی در فرانسه باشید. ساخت این برآوردها نیاز به دو نوع استنباط دارد. اول، از پاسخ هایی که پاسخ دهندگان می گیرند، شما باید نگرش های خود را درباره حریم خصوصی آنلاین (که یک مشکل اندازه گیری است) به دست آورید. دوم، از نگرش های ناشی از پاسخ دهندگان، شما باید نگرش ها را در کل جامعه (که یک مشکل از نمایندگی است) به دست آورید. نمونه برداري کامل با سوالات نظرسنجی بد، تخمین های بدی را به همراه خواهد داشت، همانطور که نمونه برداری بد با سوالات نظرسنجی کامل انجام می شود. به عبارت دیگر، برآوردهای خوب نیاز به روش های صحیح برای اندازه گیری و نمایندگی دارند. با توجه به این زمینه، من بررسی خواهم کرد که محققان بررسی چگونه در مورد نمایش و اندازه گیری در گذشته فکر کرده اند. سپس، من نشان خواهم داد که چگونه ایده هایی درباره نمایندگی و اندازه گیری می تواند تحقیقات پیرامون سن سنجی را هدایت کند.
